企业官网建设流程全解析

简介：这是一份面向AI开发者、研究人员及技术爱好者的DeepSeek多平台部署指南，覆盖基于Ollama的电脑本地部署、手机端快捷方式部署以及基于Open WebUI与Docker的浏览器访问方案，帮助读者在个人电脑、移动设备或业务系统中快速落地大模型NLP能力。资源打包为单个docx文档，共1个文件，约15KB，内容以命令、链接和分步说明为主，轻量易用，适合随时查阅。已有3769人浏览/学习。文档按电脑、手机、浏览器三类环境组织，分别给出macOS、Linux、Windows安装Ollama并运行deepseek-r1模型的具体命令，介绍iPhone快捷指令配置、Android Termux编译安装Ollama的完整操作，以及通过Docker启动Open WebUI实现网页对话的流程；每一步都附有官方地址和可直接使用的指令，从环境准备、模型拉取到交互验证均有明确指引。读者既能根据自身硬件灵活选择部署路径，也能通过对比不同方案加深对模型工作机制的理解，从而更好地将文本生成、问答等能力集成到实际业务，或作为深度学习部署的学习模板。

1. 多平台部署 DeepSeek：从 Ollama 本地到移动端、WebUI 的完整落地路径

DeepSeek 模型要怎么部署，市面上教程很多，但多数只讲一个平台、一条命令，真到了自己机器上，下载慢、路径不对、编译报错，每一步都能卡住半天。这篇笔记把我实际拆过的一条完整链路写清楚：本地用 Ollama 跑 deepseek-r1:7b，手机端分 iPhone 快捷指令和 Android Termux 两条路线，最后用 Docker 起 Open WebUI 把模型变成浏览器里能聊的服务。适合两类人：想在个人电脑上低成本跑大模型的技术爱好者，以及打算把模型接入业务流程的开发者——照着走能复现，遇到坑也知道去哪排查。

2. Ollama 本地部署：模型拉取、终端交互与存储换盘的完整闭环

Ollama 是目前本地跑 DeepSeek 最省事的一层封装，它把模型下载、量化格式、推理服务、命令行交互全包了。你不需要手动处理权重文件、推理框架和依赖环境，一条命令就能把模型拉到本地并进入对话。但省事的背后有几个点必须提前知道：模型下载源在国内网络下经常很慢，默认存储路径在系统盘容易爆，以及交互式会话和 API 服务是两种完全不同的使用方式。这章把这三个问题的解法一起给出来。

2.1 安装 Ollama：三平台命令与下载慢的应对

Ollama 官方提供 macOS、Linux、Windows 三种安装方式。macOS 用户直接去官网下载 zip 包解压安装，或者用 Homebrew 安装；Linux 用户最省事的是官方一键脚本；Windows 用户下载 exe 安装包后，Ollama 会注册为后台服务并自动配好 PATH。

# macOS（Homebrew 方式） brew install ollama # Linux（官方一键脚本） curl -fsSL https://ollama.com/install.sh | sh # Windows：下载安装包后，PowerShell 里验证 ollama --version

安装完成后先跑ollama --version确认版本，能输出版本号就说明环境没问题。这里有个细节：Linux 一键脚本安装后，Ollama 会以 systemd 服务方式常驻，意味着改环境变量后必须重启服务才生效，后面讲换盘时还会用到这个知识点。

下载慢是本地部署 DeepSeek 遇到的第一个高频痛点。模型文件动辄几个 GB，默认走官方源经常卡在进度条不动。我一般的做法是：先给 Ollama 配国内可用的镜像源，在用户环境变量里加OLLAMA_HOST和镜像地址相关的配置；如果网络环境实在不稳定，就直接用离线安装包——在一台能正常下载的机器上把模型文件拉好，再拷贝到目标机器导入。注意模型文件目录结构不能乱动，Ollama 通过 manifest 文件管理模型，拷贝时把整个 models 目录原样搬过去最稳。

2.2 拉取 DeepSeek-R1：命令参数与首次交互的边界

环境就绪后，拉取并启动模型就一行命令：

ollama run deepseek-r1:7b

这条命令干了三件事：检查本地有没有deepseek-r1:7b这个模型，没有就去模型库拉取；下载完成后加载进内存；然后进入终端交互模式，在>>>提示符后面直接输入问题，模型实时生成回复。deepseek-r1:7b里的7b是模型参数量，7B 代表 70 亿参数，量化和精简版本对个人 PC 友好；如果你的机器配置更高，可以试deepseek-r1:32b，但显存和内存压力会明显上升。

首次对话建议先问一个简单问题验证链路，比如让它用一句话介绍自己。注意终端交互模式是独占式的，输入/bye或按 Ctrl+D 退出，退出后模型会从内存卸载。这个模式适合快速验证，不适合持续对外提供服务——真要给 Web 页面或其他程序调用，得用 Ollama 内置的 API 服务，ollama serve默认监听 11434 端口。

# 查看本地已拉取的模型列表 ollama list # 删除不再需要的模型，释放磁盘空间 ollama rm deepseek-r1:7b

ollama list会列出模型名、体积和已修改时间，用来确认模型是否真正落地。ollama rm删除指定模型，这个命令在你换量化版本或磁盘吃紧时很实用。

2.3 存储路径修改：Linux 换盘、Windows 换目录的操作

Ollama 默认把模型放在系统盘，C 盘或根分区空间不够是必然遇到的坑。我自己的机器就是 256G 系统盘，两个模型直接吃掉 40G，所以第一步就是改存储路径。Linux 下用 systemd 管理 Ollama 服务时，这样做：

# 1. 创建新目录 sudo mkdir -p /data/ollama/models # 2. 编辑 systemd 服务配置，追加环境变量 sudo systemctl edit ollama # 在打开的配置里写入以下内容后保存 # [Service] # Environment="OLLAMA_MODELS=/data/ollama/models" # 3. 重载配置并重启服务 sudo systemctl daemon-reload sudo systemctl restart ollama

OLLAMA_MODELS是 Ollama 的核心环境变量，指定模型文件存放根目录。改完之后原路径下已下载的模型不会自动迁移，需要手动移动整个目录，移动完再重启服务。Windows 上同理，在系统环境变量里新建OLLAMA_MODELS指向 D 盘目录，然后重启 Ollama 服务或注销再登录。验证方式统一用ollama list看模型路径，或者直接去新目录确认有没有 manifests 和 blobs 子目录。

3. 移动端部署：iPhone 快捷指令与 Android Termux 的两条路线

手机跑大模型是很多人最感兴趣也最容易误解的部分。先说结论：iPhone 的快捷指令方案本质上不是本地部署，它调用的是云端 API，手机只是个发请求和收结果的客户端；Android 的 Termux 方案才是真本地部署，需要在手机上编译 Ollama 并加载模型。两条路线体验差异巨大，选哪条取决于你的需求：网络稳定且不想折腾硬件，走快捷指令；要离线可用、数据不出设备，走 Termux。

3.1 iPhone 快捷指令：API Key 配置与调用链路

iPhone 部署 DeepSeek 用的是快捷指令（Shortcuts）加 API Key 的组合。操作上分三步：先用 Safari 打开快捷指令链接下载安装；然后去 API 服务商页面获取 Key；最后在快捷指令里填 Key 完成绑定。

快捷指令的核心配置项： - API 地址：模型服务商提供的 OpenAI 兼容端点 - API Key：鉴权凭证，填错会返回 401 - 模型名：指定 deepseek 对应的模型标识 - 上下文长度：控制单次请求携带的历史消息条数

这里要提个醒：快捷指令只是个调度壳，真正跑模型的是远端服务器。所以首次运行快捷指令时，iOS 会弹权限确认框，必须点“允许访问”，否则指令拿不到网络权限，请求会直接失败。调试时遇到“无法连接网络”或“请求失败”的提示，先检查设置里快捷指令的网络权限，再检查 Key 有没有填对，顺序不要反。这个方案的优点是手机无负担，缺点是强依赖网络，断网或 API 服务波动时就完全不可用。

3.2 Android Termux 编译 Ollama：依赖安装到构建验证

Termux 方案才是移动端本地部署的正经路径，但过程比想象中折腾。它的本质是在 Android 终端环境里从源码编译 Ollama，然后拉取模型、本地推理，全程不依赖云服务。

# 1. 初始化 Termux：设置存储权限并更新软件源 termux-setup-storage pkg update && pkg upgrade # 2. 安装编译依赖 pkg install git cmake golang libjpegturbo # 3. 克隆 Ollama 源码（注意 --depth 参数，只拉最新一次提交） git clone --depth 1 https://github.com/ollama/ollama.git cd ollama # 4. 生成平台相关代码并编译 go generate ./... go build . # 5. 后台启动 Ollama 服务 ./ollama serve & # 6. 验证服务是否运行 curl http://localhost:11434

每个环节都有讲究。pkg install安装的 golang 是编译必需，cmake 和 libjpegturbo 是部分原生模块的构建依赖，缺了会在go build阶段报错。go generate ./...负责生成特定平台的操作系统适配代码，Android 环境尤其需要这一步，跳过可能编译出连不上 GPU 的二进制。curl http://localhost:11434是你验证服务是否起来的唯一标准，返回 Ollama 版本信息才代表服务正常。服务确认后拉模型：

./ollama pull deepseek-r1:8b ./ollama run deepseek-r1:8b

pull和run分开执行的好处是能清楚分辨是下载失败还是加载失败。手机内存小于 8G 的设备不建议硬上 8b 模型，加载后系统会频繁杀后台进程，实际体验会变成用一下就断一下，后面细说原因。

3.3 移动端硬件的边界：参数量、内存与发热的取舍

移动端跑 DeepSeek，真正决定成败的不是模型多聪明，而是设备内存和散热。7B 参数量、4bit 量化后的模型文件大约 4.4GB，运行时还需要额外内存做 KV Cache 和上下文窗口，这意味着 8GB 内存的手机在加载 8b 模型时，系统可用内存会被压到警戒线，后台应用被清是常态。我的判断标准很简单：8G 内存手机跑 7b 模型是上限，12G 及以上可以试 8b，6G 及以下基本只能羡慕。

发热是另一个被低估的问题。手机没有主动散热，持续推理三五分钟后，机身温度上来，处理器会强制降频，推理速度肉眼可见地变慢。如果你打算把手机当作固定服务长期跑，最好把设备接上电源放在通风处，并且用ollama serve的常驻模式而不是ollama run的交互模式——前者更稳定，还能让局域网内其他设备访问。

4. Open WebUI 部署：Docker 容器化让 DeepSeek 变成浏览器服务

终端交互只适合一个人用，真要给团队或业务流程提供服务，图形化界面是必需品。Open WebUI 是目前社区里最主流的方案，它把模型对话、参数调节、会话管理都做成了网页界面，而 Docker 负责把整个环境打包隔离，避免依赖污染宿主机。这章讲清楚从安装到出界面的完整链路，以及局域网共享时的几个关键参数。

4.1 Docker 安装 Open WebUI：容器化部署的基础链路

Open WebUI 官方推荐的部署方式是 Docker，因为它的依赖比较多，直接裸装很容易和本机的 Python 环境冲突。前提是先把 Docker Desktop 装好，Windows 和 macOS 用户注意 Docker Desktop 需要虚拟化支持，BIOS 里没开 VT-x 或 Hyper-V 的话，安装后起不来。

# 拉取 Open WebUI 镜像并启动容器 docker run -d \ -p 3000:8080 \ --add-host=host.docker.internal:host-gateway \ -v open-webui:/app/backend/data \ --name open-webui \ --restart always \ ghcr.io/open-webui/open-webui:main

逐一拆解参数：-d后台运行；-p 3000:8080把容器内 8080 端口映射到宿主机 3000，浏览器访问http://localhost:3000就能打开界面；--add-host是容器内访问宿主机 Ollama 服务的关键，没有它 WebUI 连不上本地模型，这是新手最容易漏的配置；-v open-webui:/app/backend/data用命名卷持久化用户数据，升级容器后聊天记录不丢；--restart always让 Docker 守护进程在容器崩溃或开机时自动拉起服务，生产习惯。拉镜像时如果速度慢，给 Docker 配置国内镜像加速器是常规操作。

4.2 在 WebUI 中加载 DeepSeek：从模型选择到对话测试

容器跑起来后在浏览器打开localhost:3000，注册一个管理员账号进入主界面，接下来的流程全是图形化操作。点开左下角设置，进入模型管理页面，模型列表里能看到 Ollama 里已拉取的模型；如果列表是空的，先确认宿主机上 Ollama 是否在运行，以及容器有没有通过网络正确连接它。

模型选择对应的参数关系如下表：

选好模型后点下载，WebUI 会直接调用 Ollama 拉取，完成后就能在“新建对话”里选择 DeepSeek 开始测试。WebUI 和终端交互有个明显区别：它会把上下文自动管理起来，多轮对话时历史消息作为上下文传给模型，相当于免去了你在终端里手动维护对话状态的麻烦。想验证模型效果时，让它写一段函数或分析一段文本，比单纯问答更能体现 DeepSeek-R1 的推理链路质量。

4.3 局域网共享与资源配置：从个人电脑到小团队服务

Open WebUI 的价值在于它天然是服务形态，同一局域网内其他人也能访问。默认配置下 Ollama 只监听localhost，必须改写成0.0.0.0才能让局域网其他机器通过 HTTP 访问：

# Linux/macOS 启动时指定监听地址 OLLAMA_HOST=0.0.0.0:11434 ollama serve # 验证局域网内另一台机器是否能访问 curl http://你的内网IP:11434

OLLAMA_HOST=0.0.0.0:11434表示绑定所有网卡接口，这样内网其他设备才能通过这台机器的 IP 访问模型服务。这个参数有两个使用边界：第一，它只解决 Ollama 层的网络可达性，Open WebUI 容器内的--add-host配置依然需要，否则 WebUI 里模型列表仍然是空的；第二，小团队共用一台机器跑模型时，多用户并发请求会显著拉长响应时间，Ollama 默认是单任务排队，所以开共享前先确认机器内存能同时容纳模型权重和多人上下文，否则体验会很差。机器配置不够但又要多人用，优先考虑用 CPU 推理模式并限制最大并发数，而不是硬上高参数量模型。

5. 避坑与排查：部署 DeepSeek 时常见的五个翻车场景

这套流程我前后跑过几遍，每遍都踩了不一样的坑。下面五条是按出现频率排的，每条都按现象、原因、解决的顺序写清楚，能帮你省掉不少试错时间。

现象一：ollama run deepseek-r1:7b一直卡在 pulling 进度条，十几分钟不动。原因：默认模型仓库在境外，国内网络访问不稳定。解决：换国内可用的镜像源，或者在网络好的机器上先用ollama pull拉完，把 models 目录整个拷贝到目标机器。

现象二：Linux 下改了 OLLAMA_MODELS 路径，重启 Ollama 后ollama list里模型全没了。原因：Ollama 通过 systemd 管理时，用户级 shell 里export的环境变量对服务进程完全不生效。解决：用sudo systemctl edit ollama写入Environment="OLLAMA_MODELS=/新路径"，然后daemon-reload加restart，两步缺一不可。改完路径后旧的模型文件还在原目录，需要手动移动目录再重启服务，不然新路径下看不到旧模型。

现象三：Termux 编译时go build .报错，提示找不到某些包或 CGO 编译失败。原因：缺依赖或系统变量未设置。解决：重新执行pkg install git cmake golang libjpegturbo确认依赖完整，然后go env检查 GOPATH 是否有权限写入，Termux 里务必先跑termux-setup-storage授权。还有一个常见笔误：官方命令里的git clone --depth 1如果手滑写成git clone depth 1，git 会把你克隆出一个错误目录，注意核对。

现象四：Open WebUI 界面打开正常，但模型列表是空的，下拉框里找不到 DeepSeek。原因：WebUI 容器和 Ollama 服务不在同一个网络可达域。解决：确认宿主机上 Ollama 已启动且监听0.0.0.0或至少能让 Docker 内部访问，重新创建容器并加上--add-host=host.docker.internal:host-gateway。Windows 的 Docker Desktop 偶尔会出现 host-gateway 解析失败的情况，重启 Docker Desktop 后再启动容器就能解决。

现象五：iPhone 快捷指令首次运行提示“无法运行”或请求一直失败。原因：API Key 格式填错，或者快捷指令没有获得网络权限。解决：先检查 Key 是否带有多余空格，再检查快捷指令的隐私设置里“允许访问”是否包含网络请求。iOS 对快捷指令的权限管理比较严格，首次运行用系统弹出的确认框逐项放行，不要批量跳过。

6. 验证部署质量的两个技巧：API 调用测试与接入自有应用

模型能对话只是第一步，真正要交付使用，得验证服务层的稳定性，并且把它接进自己的程序。最直接的验证方式是绕过 WebUI，直接打 Ollama 的 API 接口，这一步能明确区分是模型自身的问题还是上层界面的问题。

# 单次请求验证，不带上下文 curl http://localhost:11434/api/generate \ -d '{ "model": "deepseek-r1:7b", "prompt": "用一句话解释什么是大语言模型", "stream": false }'

stream设为false表示等完整回复生成后一次性返回，适合测试时观察效果；设成true则是流式输出，适合 Web 聊天界面做到打字机效果。prompt是输入文本，model必须和ollama list里显示的标识完全一致，写错会直接返回 404。返回 JSON 里的response字段是生成内容，total_duration是总耗时，这个字段是评测机器性能最直观的指标。

如果你想把这个服务接入自己的应用，推荐用 OpenAI 兼容接口而不是上面这个原生接口。Ollama 支持 OpenAI SDK 直接调用，只需改 base_url：

from openai import OpenAI client = OpenAI( base_url="http://localhost:11434/v1", api_key="ollama" # 本地服务不校验，随便填 ) response = client.chat.completions.create( model="deepseek-r1:7b", messages=[ {"role": "system", "content": "你是 DeepSeek 助手，回答简洁准确。"}, {"role": "user", "content": "写一段 Python 实现冒泡排序"} ], temperature=0.7, max_tokens=2048 ) print(response.choices[0].message.content)

base_url指向localhost:11434/v1就能沿用 OpenAI 的调用范式，团队里已有的 OpenAI 代码栈可以直接复用。temperature控制随机性，0.7 是对话场景的常用值，写代码或做抽取类任务可以降到 0.2；max_tokens限制单次最大输出长度，DeepSeek-R1 这类推理模型做复杂任务时容易在思考链上耗费大量 token，所以别把值设得太小。验证链路的顺序我之前是“终端对话 → curl 单次请求 → OpenAI SDK 接入”，每次都走一遍才放心。从那以后我每次换模型或换机器部署，都强制先跑一遍 curl 单次请求再交给上层应用，能省掉后续一整套排查问题的时间，希望帮到你。

本文还有配套的精品资源，点击获取